1.一種基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于，步驟1的具體實(shí)現(xiàn)包括以下子步驟：
3.根據(jù)權(quán)利要求1所述的基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于：步驟2中，基于j個(gè)用戶聚簇：cu1,cu2,...,cuj和k個(gè)項(xiàng)目聚簇：ci1,ci2,...,cik，將m×n大小的用戶—項(xiàng)目二部圖g轉(zhuǎn)化成一個(gè)j×k大小的用戶聚簇—項(xiàng)目聚簇二部gc；用戶聚簇—項(xiàng)目聚簇二部圖gc的節(jié)點(diǎn)是用戶聚簇cuj和項(xiàng)目聚簇cik，它們之間邊的權(quán)值是用戶聚簇cuj所有成員對(duì)項(xiàng)目聚簇cik所有成員的平均評(píng)分；其中，m、n分別表示用戶數(shù)量和項(xiàng)目數(shù)量。
4.根據(jù)權(quán)利要求1所述的基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于：步驟3中，基于二部圖光譜協(xié)同聚類算法獲取到的用戶—項(xiàng)目共簇，計(jì)算每個(gè)用戶對(duì)還沒有參與評(píng)級(jí)的項(xiàng)目的偏好評(píng)分，然后根據(jù)偏好得分對(duì)項(xiàng)目進(jìn)行排序，最后為用戶生成一個(gè)包含n個(gè)得分最高的項(xiàng)目的推薦列表，從而實(shí)現(xiàn)top-n推薦；其中，對(duì)于每個(gè)目標(biāo)用戶，在對(duì)應(yīng)的用戶—項(xiàng)目共簇中尋找出k個(gè)最近鄰用戶，基于最近鄰用戶已有的對(duì)項(xiàng)目的偏好評(píng)分，計(jì)算出目標(biāo)用戶對(duì)還沒有參與評(píng)級(jí)的項(xiàng)目的加權(quán)偏好評(píng)分，其中權(quán)重是用戶之間的相似度值；在為用戶生成top-n推薦列表的同時(shí)，基于k個(gè)最近鄰用戶為用戶提供解釋信息。
5.根據(jù)權(quán)利要求1所述的基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于：步驟4中，首先使用支持向量回歸模型預(yù)測(cè)單個(gè)用戶的說服力得分，考慮從用戶的社交網(wǎng)絡(luò)派生出的各種類型特征；然后利用單個(gè)用戶的說服力分?jǐn)?shù)來評(píng)估多個(gè)用戶的說服力分?jǐn)?shù)，進(jìn)而選出最優(yōu)的用戶集來生成最有說服力的解釋信息。
6.根據(jù)權(quán)利要求5所述的基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于：在向用戶u推薦項(xiàng)目i時(shí)，使用基于支持向量回歸模型的排序模型來預(yù)測(cè)每個(gè)候選用戶c的說服力得分；所述基于支持向量回歸模型由兩部分組成：每個(gè)元組(u,i,c)的排序特征和基于排名特征的預(yù)測(cè)說服力排序函數(shù)per(u,i,c)；
7.根據(jù)權(quán)利要求1-5任一項(xiàng)所述的基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦方法，其特征在于：步驟1中，基于光譜協(xié)同聚類的可解釋推薦模型，使用光譜聚類算法進(jìn)行基于用戶和項(xiàng)目的單邊聚類；
8.一種基于光譜聚類協(xié)同過濾事前可解釋項(xiàng)目推薦系統(tǒng)，其特征在于，包括以下模塊：